PEC 241: desagregando os gastos do governo com o R!

No post anterior, resolvi abrir a caixa preta dos gastos e receitas primárias do governo central. Mostrei ao leitor como pegar os dados do Tesouro e levá-los diretamente para o R. Vimos que os gastos do governo crescem em média próximo a 6% ao ano, em termos reais, o que, se nada for feito, nos levará ao caos em pouco tempo. Ou seja, esse é o maior problema das contas públicas: o gasto não parou de crescer nas últimas décadas. Para continuar nossa análise, vamos aproveitar o script e abrir a despesa primária, olhando um pouco mais de perto como se comportaram os gastos do governo na amostra que temos disponível.

Lembre o leitor que temos um objeto criado no nosso environment do RStudio chamado real12, que traz 73 séries, deflacionadas (a preços de agosto de 2016) e acumuladas em 12 meses. Entre elas, 32 referem-se às despesas do governo central. Nessas despesas primárias estão quatro grandes grupos: gastos com previdência (INSS), gastos com pessoal, outras despesas obrigatórias e despesas discricionárias. Podemos querer saber quanto cada um desses grupos toma em média da despesa primária total e apresentar em termos gráficos. Para isso, rodamos o código abaixo.

despesa <- real12[,c(36:38, 61)]/real12[,35]*100

colnames(despesa) <- c('Previdência', 'Pessoal', 
 'Outras Despesas Obrigatórias',
 'Despesas Discricionárias')

pie(colMeans(despesa), col=c('darkblue', 'red', '367', 'blue'),
 main='Distribuição dos gastos do governo central (%)')

grafico4

Somados, os gastos do governo central com previdência e pessoal somam, em média, 65.47% da despesa primária total. As outras despesas obrigatórias somam 10.48% e as despesas discricionárias, 24.03%. Ou seja, leitor, a maior parte do gasto do governo central é engessado, i.e., ele não pode simplesmente cortar, caso, por exemplo, a receita de um determinado ano resolva cair, em função do baixo crescimento do PIB.

Nós podemos, inclusive, verificar como esses grandes grupos de despesa primária evoluíram ao longo da nossa amostra. Para tal, vamos ver primeiro a evolução do gasto real, acumulado em 12 meses, dessas rubricas. Estou usando a função autoplot para quem se interessar e o pacote ggthemes para tornar o gráfico um pouco mais apresentável.

grafico05

Gastos com previdência e outras despesas obrigatórias mantém uma tendência positiva de crescimento como se não houvesse amanha. Os gastos com pessoal têm se estabilizado no período recente, enquanto a parte que o governo tem algum poder (a tal discricionalidade), parece ser o grande resíduo. Em agosto de 2016, os gastos com previdência somaram R$ 500,9 bilhões, as despesas com pessoal, R$ 256,5 bilhões, as demais despesas obrigatórias, R$ 253,8 bilhões e as despesas discricionárias, R$ 267,3 bilhões.

Podemos agora controlar essa evolução do gasto pelo PIB. Isso é colocado abaixo.

grafico06

No período recente, influenciado pela forte queda do PIB, previdência, outras despesas obrigatórias e gasto com pessoal apresentam forte elevação. As despesas discricionárias, onde o governo pode fazer algo no curto prazo, há uma queda. Nesse grupo, estão situados gastos de investimento, como o PAC e o Minha Casa Minha Vida.  Em outras palavras, leitor, a maior parte do gasto do governo está engessada. Toda vez que o governo se encontra em dificuldades, ele corta justamente em investimento, onde tem algum grau de liberdade.

Significa dizer que, o segundo passo, pós-aprovação da PEC 241, será enfrentar esse engessamento. Será preciso conter o avanço dos gastos com previdência e demais gastos obrigatórios. Ou seja, leitor, o que os dados dizem é que a PEC 241 é só o começo...

 _______________________________________________

OBS: TODOS OS CÓDIGOS ESTARÃO DISPONÍVEIS NO CLUBE DO CÓDIGO

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como treinar e selecionar os melhores modelos de previsão no Python?

Em previsão, há uma infinidade de modelos que podem ser usados. O processo de escolha do(s) modelo(s) deve ser empírico-científico, usando métodos que visem avaliar a generalização dos algoritmos para dados novos. Neste artigo, mostramos como implementar a metodologia de validação cruzada com algoritmos de machine learning no Python, exemplificando para a previsão do IPCA.

Como selecionar variáveis para modelos de previsão no Python?

Em oposição à crença popular, grande parte dos modelos de machine learning não produzem previsões magicamente. É papel do cientista de dados executar uma boa engenharia de variáveis para não cair no clássico problema de “garbage in, garbage out” (GIGO) em aprendizado de máquina. Neste sentido, aprender a fazer uma boa seleção de variáveis é fundamental e neste artigo exploramos algumas possibilidades práticas usando o Python.

Resultado IPCA-15 - Novembro/2024

A Análise Macro apresenta os resultados do IPCA-15 de Novembro de 2024, com gráficos elaborados em Python para coleta, tratamento e visualização de dados. Todo o conteúdo, disponível exclusivamente no Clube AM, foi desenvolvido com base nos métodos ensinados nos cursos da Análise Macro, permitindo aos assinantes acesso aos códigos e replicação das análises.

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.